เปรียบเทียบวิธี

	การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์แบบออนไลน์	Isolation Forest
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2010s–present	2008
ผู้ริเริ่ม	Various (online/incremental deep learning community)	Liu, F.T., Ting, K.M. & Zhou, Z.-H.
ประเภท	Online unsupervised anomaly detection	Unsupervised ensemble (random partitioning trees)
แหล่งต้นตำรับ	An, J. & Cho, S. (2015). Variational Autoencoder based Anomaly Detection using Reconstruction Probability. SNU Data Mining Center, 2015-2.	Liu, F.T., Ting, K.M. & Zhou, Z.-H. (2008). Isolation Forest. IEEE ICDM, 413–422.
ชื่อเรียกอื่น	incremental autoencoder anomaly detection, streaming autoencoder anomaly detection, online AE anomaly detection, continual autoencoder anomaly detection	Isolation Forest (Aykırı Değer Tespiti), iForest, isolation forest anomaly detection
ที่เกี่ยวข้อง	5	5
สรุป	Online Autoencoder Anomaly Detection trains an autoencoder incrementally on a continuous data stream, flagging observations whose reconstruction error exceeds an adaptive threshold as anomalies. This approach combines the representational power of deep autoencoders with the incremental update capability of online learning, making it suitable for real-time or high-volume streaming scenarios where batch retraining is impractical.	Isolation Forest is an unsupervised machine-learning method for anomaly and outlier detection, introduced by Liu, Ting and Zhou in 2008, that isolates anomalies through random partitioning of the data. It works without any labelled anomaly data and scales to high-dimensional datasets.